简介：本资源为2022年中国区域1km地表温度（LST）空间分布数据集，面向遥感、地理信息、气候与生态等方向的研究人员和学生，用于开展地表热环境、城市热岛及区域气候分析。数据源自NASA MOD11A2产品，经提取子数据集、拼接、投影转换、单位换算与裁剪后，按年对8天合成栅格取平均，得到年尺度1km LST结果，投影为Albers等面积投影，椭球WGS84，中央经线105°，标准纬线25°与47°。压缩包共7个文件，约64.55MB，包含开氏与摄氏两套温度tif栅格、说明txt、xml元数据及ovr、tfw等辅助文件，便于直接读取与制图。已有743人学习下载，适合需要现成中国区年LST数据、快速开展空间分析与论文写作的用户，可省去繁琐预处理，直接用于热环境评估与可视化。
1. 拿到 MODIS 2022 年中国 1km 地表温度数据集，先搞清楚它到底能干什么
很多人第一次接触 MODIS 2022 年中国 1km 地表温度（LST）空间分布数据集.zip，第一反应是「下载下来直接扔进模型不就行了」。我当年也这么想，结果打开一看，一整年的数据、上千个瓦片、还有莫名其妙的填充值，直接懵了。这个数据集的核心价值在于：它把 NASA 的 MOD11A2 产品（8 天合成、1km 分辨率）裁剪到了中国范围，并做了年度合成，让你不用自己处理 HDF 投影和拼接。适合做城市热岛分析、干旱监测、农业旱情评估、地表能量平衡研究的人。但前提是——你得知道它的空间参考、时间合成方式和无效值标记，否则后面全是坑。这一章先把这个数据集讲透，后面再动手。
2. 拆开 zip 之前：MODIS LST 的投影、合成与无效值到底怎么理解
2.1 为什么 1km 分辨率下中国区要特别关注投影
MODIS 原始产品是正弦投影（Sinusoidal），每个瓦片覆盖 1200×1200 像素。中国跨了大约 10 个瓦片（h23v04 到 h28v06 附近），直接拼接会出现明显的边缘错位。这个 zip 里的数据通常已经转成了等经纬度投影（Geographic Lat/Lon, WGS84），像元大小 0.01 度左右，对应约 1km。但你要注意：有些版本只做了重投影没做重采样，导致边缘像元被拉伸。我一般会先用gdalinfo看一眼元数据，确认Pixel Size是不是接近(0.01, 0.01)，以及SRS是不是EPSG:4326。如果不是，后面所有面积统计都会偏。
2.2 8 天合成到年度：最大值合成还是平均值合成
MODIS MOD11A2 本身是 8 天合成，用的是「最大值合成法」（因为云污染通常降低 LST，取最大值能抑制云影响）。但这个 zip 叫「2022 年中国 1km 地表温度空间分布数据集」，它很可能是把 46 个 8 天合成做成了年均值或年最大值。常见做法是：先剔除无效值（-9999 或 0），再对每个像元求平均。如果你拿到的是年最大值，那夏季高温区会偏热，冬季冷区会偏冷，做趋势分析时不能用。我一般会检查数据直方图：年均值应该在 -20°C 到 45°C 之间，如果出现大量 0 或 -9999，说明没做无效值掩膜。
2.3 无效值标记：-9999 和 0 的区别
MODIS LST 的填充值是 -9999，但有些中国区裁剪版本会把海洋或境外区域设为 0。0°C 在 LST 里是合法值（冬季北方常见），所以不能把 0 当无效值直接删。正确做法是：先看数据说明，如果没有说明，就用numpy统计 0 的占比。如果 0 集中在东南沿海和境外边界，那大概率是填充。我一般会同时掩膜 -9999 和 0，但保留 0 附近的真实低温像元——这需要结合 NDVI 或土地覆盖做交叉验证。
2.4 用 Python 快速检查数据质量的最小命令
import rasterio import numpy as np # 打开 zip 解压后的第一个 tif 文件 with rasterio.open('LST_2022_China_1km.tif') as src: print('投影:', src.crs) print('像元大小:', src.res) print('范围:', src.bounds) data = src.read(1) # 统计无效值 valid = data[(data != -9999) & (data != 0)] print('有效像元占比:', valid.size / data.size) print('LST 范围: {:.2f} ~ {:.2f} °C'.format(valid.min(), valid.max())) print('均值: {:.2f} °C'.format(valid.mean()))这段代码先看投影和像元大小，确认是 WGS84 且约 0.01 度。然后读第一个波段，用(data != -9999) & (data != 0)做初步掩膜，但注意 0 可能误伤。最后输出有效像元占比和温度范围。如果有效占比低于 60%，说明云污染或填充太多，这个年份的数据可能不可用。参数上，src.read(1)读的是第一波段，如果 zip 里是多波段（比如 12 个月），你需要循环读。
3. 从 zip 到可用栅格：裁剪、重采样与无效值掩膜的完整操作
3.1 解压后先别急着合并：检查瓦片命名和坐标系
zip 解压后通常是一堆 tif，命名可能是LST_2022_01.tif到LST_2022_12.tif，也可能是按瓦片编号。先ls看一下，然后用gdalinfo批量检查。如果发现有的瓦片是正弦投影，有的是地理投影，那就得先统一。我一般用gdalwarp批量转：
for f in *.tif; do gdalwarp -t_srs EPSG:4326 -tr 0.01 0.01 -r bilinear -of GTiff "$f" "wgs84_$f" done-t_srs EPSG:4326指定目标投影，-tr 0.01 0.01设像元大小，-r bilinear用双线性插值（LST 连续，双线性比最近邻更合适）。注意：如果原数据已经是地理投影，这步会重采样，可能引入误差，所以先确认再跑。
3.2 用 GDAL 做中国区掩膜：避免境外像元干扰
很多 zip 里的数据已经裁过中国边界，但边界外可能有 0 或 -9999。如果你要做全国统计，必须用中国行政边界 shp 做精确掩膜。常见做法是gdalwarp -cutline china.shp -crop_to_cutline。但注意：-cutline会按 shp 范围裁剪，如果 shp 有多个多边形，可能会生成多个文件。我一般先用ogr2ogr把 shp 合并成一个，再裁。
ogr2ogr -dissolve FIELD_NAME china_merged.shp china.shp gdalwarp -cutline china_merged.shp -crop_to_cutline -dstnodata -9999 wgs84_LST_2022.tif china_LST_2022.tif-dissolve按字段合并，-dstnodata -9999把边界外设为 -9999。这样后续统计就不会把境外像元算进去。
3.3 无效值掩膜：用 numpy 做条件替换
裁剪后，用 Python 做无效值掩膜。注意：不要直接data[data == 0] = np.nan，因为 0°C 是真实值。我一般会结合土地覆盖数据（如 MOD12Q1）判断：如果像元是水体或海洋，且 LST 为 0，才设为 NaN。
import rasterio import numpy as np with rasterio.open('china_LST_2022.tif') as src: lst = src.read(1).astype(np.float32) profile = src.profile # 掩膜 -9999 lst[lst == -9999] = np.nan # 掩膜 0 但仅限水体区域（假设有水体掩膜 water_mask.tif） with rasterio.open('water_mask.tif') as wsrc: water = wsrc.read(1) lst[(water == 1) & (lst == 0)] = np.nan # 保存 profile.update(dtype=rasterio.float32, nodata=np.nan) with rasterio.open('china_LST_2022_masked.tif', 'w', **profile) as dst: dst.write(lst, 1)这段代码先转 float32 以便存 NaN，然后掩膜 -9999，再用水体掩膜处理 0。profile.update里nodata=np.nan让后续 GIS 软件能识别。注意：如果 zip 里没有水体掩膜，你可以用 MOD44W 或中国湖泊 shp 自己生成。
3.4 重采样到统一网格：为什么 1km 不是真的 1km
MODIS 1km 是星下点分辨率，中国范围跨纬度大，实际像元面积从 0.8km² 到 1.2km² 不等。如果你要做面积统计，必须用等面积投影（如 Albers）。常见做法是：先转 Albers，再重采样到 1km 网格。
gdalwarp -t_srs '+proj=aea +lat_1=25 +lat_2=47 +lat_0=0 +lon_0=105 +datum=WGS84' -tr 1000 1000 -r bilinear china_LST_2022_masked.tif albers_LST_2022.tif+proj=aea是 Albers 等面积投影，lat_1和lat_2是中国标准纬线。-tr 1000 1000单位是米。这样每个像元面积都是 1km²，统计才准确。
4. 避坑：MODIS LST 中国区数据集最常见的 5 个翻车现场
4.1 现象：统计出来全国平均 LST 只有 5°C，明显偏低
原因：把 -9999 和 0 都当无效值删了，但 0°C 在冬季北方是真实值，删掉后低温区被过度剔除，导致均值偏高？不对，这里偏低是因为把 -9999 当有效值算进去了。-9999 是填充值，如果没掩膜，直接求平均会拉低整体。解决：先data[data == -9999] = np.nan，再统计。
4.2 现象：裁剪后中国边界外还有一圈 0 值
原因：gdalwarp -cutline默认不设置-dstnodata，边界外像元被设为 0。解决：加-dstnodata -9999，或者裁剪后用rasterio按 shp 掩膜。
4.3 现象：重投影后 LST 范围变成 -200°C 到 200°C
原因：用了最近邻插值（-r near），导致填充值 -9999 被插值到有效区域。解决：用双线性或三次卷积，并且先掩膜无效值再重投影。如果已经错了，重新用-r bilinear跑一遍。
4.4 现象：年度合成后夏季高温区消失
原因：用了平均值合成，但 8 天合成里云污染导致某些月份全是 -9999，平均后有效值被稀释。解决：改用最大值合成，或者先做云掩膜（用 MOD11A2 的 QC 波段）再平均。
4.5 现象：用 QGIS 打开显示全黑或全白
原因：数据是 float32 且含 NaN，QGIS 默认拉伸把 NaN 当极值。解决：在 QGIS 里设置Min/Max为实际有效范围（如 -20 到 45），或者先转成整型并设 nodata 为 -9999。
5. 进阶：用 LST 做城市热岛强度计算与年际对比的实操技巧
5.1 城市热岛强度：用缓冲区法还是城乡二分法
我一般用缓冲区法：以城市中心为原点，做 5km、10km、20km 缓冲区，分别统计 LST 均值，然后算SUHI = LST_urban - LST_rural。但注意：MODIS 1km 下，城市边界模糊，缓冲区半径小于 5km 会混入郊区。常见做法是：用不透水面数据（如 GAIA）提取城市像元，再算城乡温差。
import geopandas as gpd import rasterio import numpy as np from rasterio.mask import mask # 读城市边界 city = gpd.read_file('beijing.shp') with rasterio.open('albers_LST_2022.tif') as src: # 城市内 LST out_image, _ = mask(src, city.geometry, crop=True) urban_lst = out_image[out_image != -9999].mean() # 郊区：城市外 20km 缓冲区 buffer = city.geometry.buffer(20000) out_image_buf, _ = mask(src, buffer, crop=True) rural_lst = out_image_buf[out_image_buf != -9999].mean() print('SUHI: {:.2f} °C'.format(urban_lst - rural_lst))mask函数按几何裁剪，buffer(20000)是 20km 缓冲区。注意：缓冲区可能包含其他城市，所以最好用土地覆盖数据剔除。
5.2 年际对比：2022 年比 2021 年热了多少
如果你有 2021 和 2022 两年数据，先确保投影和网格一致。然后做差值：
with rasterio.open('albers_LST_2021.tif') as src1, rasterio.open('albers_LST_2022.tif') as src2: lst1 = src1.read(1) lst2 = src2.read(1) diff = lst2 - lst1 diff[(lst1 == -9999) | (lst2 == -9999)] = np.nan print('平均增温: {:.2f} °C'.format(np.nanmean(diff)))注意：两年数据必须来自同一合成方法（都是年均值或都是年最大值），否则差值无意义。
5.3 一个我踩过的坑：用 0.01 度网格做面积统计
0.01 度在赤道约 1.1km，在北纬 40 度约 0.85km。如果你直接用像元数乘 1km²，北方会高估面积。我后来统一转 Albers 再统计，误差从 15% 降到 2% 以内。这个习惯救了我好几次。
5.4 验证方法：用地面气象站数据做交叉验证
找中国气象数据网（CMA）的 2022 年日均温，和 LST 做相关。注意：LST 是地表温度，气温是 1.5m 高度，两者差 2-5°C 正常。我一般看 R²，如果低于 0.6，说明数据质量有问题。常见做法是：选 10 个站，做散点图，看斜率。
希望帮到你。
本文还有配套的精品资源，点击获取
